3G

paste("Se analizaran los datos del primer mes con respecto a los días",resultado2,resultado3,resultado,sep = " ")

## [1] "Se analizaran los datos del primer mes con respecto a los días Martes Jueves Viernes"

datos_3g_estadistico<- datos_3g %>% 
  filter(weekdays(Fecha)=='Tuesday'|weekdays(Fecha)=='Thursday'|weekdays(Fecha)=='Friday') %>% 
  filter(lubridate::month(Fecha)=='3') %>% 
  select_all() 

ggplot(datos_3g_estadistico,aes((datos_3g_estadistico$Accesibilidad.exitosa)))+
  geom_histogram(aes(y =(..count..)), 
                 col="black", 
                 fill="green", 
                 alpha = .2)+
  theme_classic()+
  scale_x_continuous(breaks = c(0,10,20,30,40,50,60,70,80,90,95,100),
                     labels = c("0","10","20","30","40","50","60","70","80","90","95","100"))+
  scale_y_continuous(breaks = c(0,25000,50000,100000,130000,160000),
                     labels = scales::comma)+
  labs(x="%",y="Cantidad de celdas reportadas")+
  labs(title = "Gráfico de normalidad de tabla 3G en variable Accesibilidad exitosa")

## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

ggplot(datos_3g_estadistico,aes((datos_3g_estadistico$Usuarios.descarga)))+
  geom_histogram(aes(y =(..count..)), 
                 col="black", 
                 fill="green", 
                 alpha = .2)+
  theme_classic()+
  scale_x_continuous(breaks = c(0,10,20,30,40,50,60,70,80,90,95,100),
                     labels = c("0","10","20","30","40","50","60","70","80","90","95","100"))+
  scale_y_continuous(breaks = c(0,5000,10000,15000,20000,25000,30000,34000),
                     labels = scales::comma)+
  labs(x="Cantidad de usuarios",y="Cantidad de celdas reportadas")+
  labs(title = "Gráfico de normalidad de tabla 3G en variable Usuarios en descarga")

## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

ggplot(datos_3g_estadistico,aes((datos_3g_estadistico$Usuarios.Carga)))+
  geom_histogram(aes(y =(..count..)), 
                 col="black", 
                 fill="green", 
                 alpha = .2)+
  theme_classic()+
  scale_x_continuous(breaks = c(0,10,15,20,30,40,50,60,70,80,90,95,100),
                     labels = c("0","10","15","20","30","40","50","60","70","80","90","95","100"))+
  scale_y_continuous(breaks = c(0,5000,10000,15000,20000,25000,30000,34000),
                     labels = scales::comma)+
  labs(x="Cantidad de usuarios",y="Cantidad de celdas reportadas")+
  labs(title = "Gráfico de normalidad de tabla 3G en variable Usuarios en carga")

## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

ggplot(datos_3g_estadistico,aes((log(datos_3g_estadistico$Trafico.1))))+
  geom_histogram(aes(y =(..count..)),
                 col="black",
                 fill="green",
                 alpha = .2)+
  theme_classic()+
   scale_x_continuous(breaks = c(0,1,2,3,4,5,6,7,8,9,10),
                      labels = c("0","1","2","3","4","5","6","7","8","9","10"))+
   scale_y_continuous(breaks = c(0,10000,20000,24000),
                      labels = scales::comma)+
  labs(x="Cantidad de tráfico 1",y="Cantidad de celdas reportadas")+
  labs(title = "Gráfico de normalidad de tabla 3G en variable Tráfico 1")

## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

# ggplot(datos_3g_estadistico,aes(((datos_3g_estadistico$Trafico.1))))+
#   geom_histogram(aes(y =(..count..)),
#                  col="black",
#                  fill="green",
#                  alpha = .2)+
#   theme_classic()+
#   labs(x="Cantidad de tráfico 1",y="Cantidad de celdas reportadas")+
#   labs(title = "Gráfico de normalidad de tabla 3G en variable Tráfico 1")

4G

datos_4g_estadistico<-datos_4g %>% 
  filter(weekdays(Fecha)=='Tuesday'|weekdays(Fecha)=='Thursday'|weekdays(Fecha)=='Friday') %>% 
  filter(lubridate::month(Fecha)=='3') %>% 
  select_all() 

ggplot(datos_4g_estadistico,aes((datos_4g_estadistico$Accesibilidad.exitosa)))+
  geom_histogram(aes(y =(..count..)), 
                 col="black", 
                 fill="green", 
                 alpha = .2)+
  theme_classic()+
  scale_x_continuous(breaks = c(90,95,100),
                     labels = c("90","95","100"))+
  scale_y_continuous(labels = scales::comma)+
  labs(x="Accesibilidad exitosa %",y="Cantidad de individuos")+
  labs(title = "Gráfico de normalidad de tabla 4G en variable Accesibilidad existosa")

## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

ggplot(datos_4g_estadistico,aes((datos_4g_estadistico$Cantidad.de.usuarios)))+
  geom_histogram(aes(y =(..count..)), 
                 col="black", 
                 fill="green", 
                 alpha = .2)+
  theme_classic()+
  scale_x_continuous(breaks = c(0,50,100,200,300,400,500),
                     labels = c("0","50","100","200","300","400","500"))+
  scale_y_continuous(labels = scales::comma)+
  labs(x="Cantidad de usuarios",y="Cantidad de celdas reportadas")+
  labs(title = "Gráfico de normalidad de tabla 4G en variable cantidad de usuarios")

## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

ggplot(datos_4g_estadistico,aes((datos_4g_estadistico$Uso.de.recursos.DL)))+
  geom_histogram(aes(y =(..count..)), 
                 col="black", 
                 fill="green", 
                 alpha = .2)+
  theme_classic()+
  scale_x_continuous(breaks = c(0,5,10,15,20,30,40,50,60,70,80,90,100),
                     labels = c("0","5","10","15","20","30","40","50","60","70","80","90","100"))+
  scale_y_continuous(breaks = c(0,5000,10000,14000),
                     labels = scales::comma)+
  labs(x="uso de recursos DL %",y="Cantidad de celdas reportadas")+
  labs(title = "Gráfico de normalidad de tabla 4G en variable Uso de recursos.DL")

## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

Se puede observar que se da una fuerta correlación entre variables usuarios carga-descarga,además tráfico 2 se encuentra relacionada fuertemente con variables de usuarios de carga y descarga. También se obtiene una fuerte correlación entre la variable de tráfico 1 y accesos a menos de 500mtrs , por lo que hace referencia a que los servicios mayormente son utilizados a esta distancia.Por último se observa que existe una fuerte correlación entre las variables de ‘accesibilidad’.

correlacion_datos_3g_estadistico<-as.matrix(datos_3g_estadistico[,4:19])
correlacion_datos_3g_estadistico<-cor(correlacion_datos_3g_estadistico)
corrplot(correlacion_datos_3g_estadistico,mar=c(0,0,1,0),number.digits = 1,method = "number",type = "upper",order = "FPC",title = "Correlación de variables en 3G")

Se puede observar que se da una fuerte correlación entre variables de uso.de.recursos.DL y cantidad de usuarios, también esta correlación se dará entre la variable de uso.de.recursos.UL. Existe tambien un fuerte correlación entre la variable de cantidad de usuarios y los accesos a menos de 624m.Por otra parte las variables a predecir no presenta una correlación fuerte entre sí , por lo que no influyen los valores que se obtengan entre estas variables.

correlacion_datos_4g_estadistico<-as.matrix(subset(datos_4g_estadistico,select=-c(Fecha,Id.Celda)))
correlacion_datos_4g_estadistico<-cor(correlacion_datos_4g_estadistico)
corrplot(correlacion_datos_4g_estadistico,mar=c(0,0,1,0),number.digits = 1, method = "number",type = "upper",order = "FPC",title = "Correlación de variables en 4G")

Nota:Se utiliza el 10% de la información, no se utiliza validación cruzada para obtener este dato, por motivo de uso de series de tiempo

Se busca valores atipicos en las variables de la tabla 3G que cumplan con características como:

• Accesibilidad exitosa < 96%
• Trafico 1 > 100 (Horas/Voz)
• Trafico 2 > 1000 Kbps
• Usuarios descarga >20
• Usuarios carga >20

num.data <- round(nrow(datos_3g_estadistico)*0.1)
datos_3g_estadistico_atipicidad<-datos_3g_estadistico[1:num.data,]

boxplot(datos_3g_estadistico_atipicidad[,c(4,5,6)],ylab="%",las = 1,col=c("red","sienna","palevioletred1"),outpch=19,ylim=c(80,101),main="Valores atípicos para las variables de accesibilidad")

boxplot(datos_3g_estadistico_atipicidad[,c(18)],ylab="Horas/Voz",las=1,col="green",ylim=c(0,300),outpch=19,main="Valores atípicos para la variable tráfico 1 'hora/voz'")

boxplot(datos_3g_estadistico_atipicidad[,c(19)],ylab = "Kbps",las=1,col="green",ylim=c(0,4000),outpch=19,main="Valores atípicos para la variable tráfico 2")

boxplot(datos_3g_estadistico_atipicidad[,c(7,8)],ylab="Cantidad",col=c("red","sienna"),ylim=c(0,100),outpch=19,main="Valores atípicos para las variables de usuario carga / descarga")

Se busca valores atipicos en las variables de la tabla 4G que cumplan con características como:

• Accesibilidad exitosa < 98%
• Cantidad de usuarios > 100
• Uso de recursos DL y UL > 15%
• Trafico2.descarga > 15Mbps
• Trafico2.carga > 3Mbps

num.data <- round(nrow(datos_4g_estadistico)*0.1)
datos_4g_estadistico_atipicidad<-datos_4g_estadistico[1:num.data,]

boxplot(datos_4g_estadistico_atipicidad[,c(3)],col="green",outpch=19,ylim=c(96,100),ylab = "%",main="Valores atípicos para accesibilidad exitosa")

boxplot((datos_4g_estadistico_atipicidad[,c(4)]),col="green",outpch=19,ylim=c(0,500),ylab = "Cantidad",main="Valores atípicos para cantidad de usuarios")

boxplot(datos_4g_estadistico_atipicidad[,c(5,6)],col=c("red","sienna"),outpch=19,ylim=c(0,60),ylab = "%",main="Valores atípicos para uso de recursos")

boxplot(datos_4g_estadistico_atipicidad[,c(13,14)],col=c("red","sienna"),outpch=19,ylim=c(1,40),ylab = "Kbps",main="Valores atípicos para tráfico 2")

Nota:Se utiliza el 10% de la información

num.data <- round(nrow(datos_3g_estadistico)*0.1)
datos_3g_estadistico_dispersion<-datos_3g_estadistico[1:num.data,]

ggplot(datos_3g_estadistico_dispersion,aes(x=datos_3g_estadistico_dispersion$Usuarios.Carga,y=datos_3g_estadistico_dispersion$Usuarios.descarga))+coord_flip()+
  labs(x="Usuarios en carga",y="Usuarios en descarga")+labs(title = "Gráfico de dispersión 3G")+theme_classic()+geom_point(col="black")

ggplot(datos_3g_estadistico_dispersion,aes(x=datos_3g_estadistico_dispersion$Trafico.2,y=datos_3g_estadistico_dispersion$Usuarios.descarga))+geom_point()+coord_flip()+
  labs(x="Tráfico 2 (Kbps)",y="usuarios descarga")+labs(title = "Gráfico de dispersión 3G")+theme_classic()+geom_point(col="black")

ggplot(datos_3g_estadistico_dispersion,aes(x=datos_3g_estadistico_dispersion$Trafico.1,y=datos_3g_estadistico_dispersion$Accesos.a.menos.de.500.m))+geom_point()+coord_flip()+
  labs(x="Tráfico 1",y=" Acces.menos.500m")+labs(title = "Gráfico de dispersión 3G")+theme_classic()+geom_point(col="black")

ggplot(datos_3g_estadistico_dispersion,aes(x=datos_3g_estadistico_dispersion$Accesibilidad.exitosa,y=datos_3g_estadistico_dispersion$Accesibilidad.en.datos))+geom_point()+coord_flip()+
  labs(x="Acces.exitosa",y="Acces.datos")+labs(title = "Gráfico de dispersión 3G")+theme_classic()+geom_point(col="black")

plot_ly(x=datos_3g_estadistico_dispersion$Accesibilidad.exitosa, y=datos_3g_estadistico_dispersion$Accesibilidad.en.voz, z=datos_3g_estadistico_dispersion$Accesibilidad.en.datos,
        type="scatter3d") %>% 
  layout(
    title = "Gráfico de dispersión de las variables de accesiblidad",
    scene = list(
      xaxis = list(title = "Acces.existosa.X"),
      yaxis = list(title = "Acces.voz.Y"),
      zaxis = list(title = "Acces.datos.Z")
    )) 

## No scatter3d mode specifed:
##   Setting the mode to markers
##   Read more about this attribute -> https://plot.ly/r/reference/#scatter-mode

num.data <- round(nrow(datos_4g_estadistico)*0.1)
datos_4g_estadistico_dispersion<-datos_4g_estadistico[1:num.data,]

ggplot(datos_4g_estadistico_dispersion,aes(x=datos_4g_estadistico_dispersion$Uso.de.recursos.DL,y=datos_4g_estadistico_dispersion$Cantidad.de.usuarios))+geom_point()+coord_flip()+
  labs(x="Uso de recursos DL",y="Cantidad de usuarios")+labs(title = "Gráfico de dispersión 4G")+theme_classic()+geom_point(col="black")

ggplot(datos_4g_estadistico_dispersion,aes(x=datos_4g_estadistico_dispersion$Cantidad.de.usuarios,y=datos_4g_estadistico_dispersion$Accesos.de.0m.a.624m))+geom_point()+coord_flip()+
  labs(x="Cantidad de usuarios",y="Acces.0m.624m")+labs(title = "Gráfico de dispersión 4G")+theme_classic()+geom_point(col="black")

ggplot(datos_4g_estadistico_dispersion,aes(x=datos_4g_estadistico_dispersion$Trafico2.carga,y=datos_4g_estadistico_dispersion$Trafico2.Descarga))+geom_point()+coord_flip()+
  labs(x="Tráfico.carga (Mbps)",y="Tráfico.descarga (Mbps)")+labs(title = "Gráfico de dispersión 4G")+theme_classic()+geom_point(col="black")

Se eliminan variables que ya no se van a utilizar

remove(datos_3g_estadistico,datos_3g_estadistico_atipicidad,datos_3g_estadistico_dispersion,datos_4g_estadistico,datos_4g_estadistico_atipicidad,datos_4g_estadistico_dispersion)

3G

datos_3g_ACP<-subset(datos_3g,select = -c(Fecha,Controlador))
datos_3g_ACP<-datos_3g_ACP %>% 
  group_by(Id.Celda) %>% 
  select(Id.Celda,Accesibilidad.exitosa,Accesibilidad.en.voz,
         Accesibilidad.en.datos,Usuarios.Carga,Usuarios.descarga,
         Promedio.RTWP,Accesos.a.menos.de.500.m,Accesos.entre.500.y.1200.m,
         Accesos.entre.1.2.y.2.1.Km,Accesos.entre.2.1.y.3.5.Km,Accesos.entre.3.5.a.5.9.Km,
         Accesos.entre.5.9.y.8.1.Km,Accesos.entre.8.1.y.13.Km,Accesos.a.mas.de.13.Km,Trafico.1,Trafico.2) %>% 
  mutate(Accesibilidad.exitosa=mean(Accesibilidad.exitosa)) %>% 
  mutate(Accesibilidad.en.voz=mean(Accesibilidad.en.voz)) %>% 
  mutate(Accesibilidad.en.datos=mean(Accesibilidad.en.datos)) %>% 
  mutate(Usuarios.Carga=mean(Usuarios.Carga)) %>% 
  mutate(Usuarios.descarga=mean(Usuarios.descarga)) %>% 
  mutate(Promedio.RTWP=mean(Promedio.RTWP)) %>% 
  mutate(Accesos.a.menos.de.500.m=mean(Accesos.a.menos.de.500.m)) %>% 
  mutate(Accesos.entre.500.y.1200.m=mean(Accesos.entre.500.y.1200.m)) %>% 
  mutate(Accesos.entre.1.2.y.2.1.Km=mean(Accesos.entre.1.2.y.2.1.Km)) %>% 
  mutate(Accesos.entre.2.1.y.3.5.Km=mean(Accesos.entre.2.1.y.3.5.Km)) %>% 
  mutate(Accesos.entre.3.5.a.5.9.Km=mean(Accesos.entre.3.5.a.5.9.Km)) %>% 
  mutate(Accesos.entre.5.9.y.8.1.Km=mean(Accesos.entre.5.9.y.8.1.Km)) %>% 
  mutate(Accesos.entre.8.1.y.13.Km=mean(Accesos.entre.8.1.y.13.Km)) %>% 
  mutate(Accesos.a.mas.de.13.Km=mean(Accesos.a.mas.de.13.Km)) %>% 
  mutate(Trafico.1=mean(Trafico.1)) %>% 
  mutate(Trafico.2=mean(Trafico.2))
datos_3g_ACP<-unique(as.data.frame(datos_3g_ACP))

datos_3g_ACP<-sqldf("select * from datos_3g_ACP 
                    where `Accesibilidad.exitosa` <>0 
                    and `Accesibilidad.exitosa` < 97
                    and `Trafico.1`> 100
                    and `Trafico.2`> 1000
                    and `Usuarios.Carga`> 20
                    and `Usuarios.descarga`> 20
                    group by `Id.celda` order by `Accesibilidad.exitosa` desc limit 5")

rownames(datos_3g_ACP)<-datos_3g_ACP$Id.Celda
datos_3g_ACP<-subset(datos_3g_ACP,select = -c(Id.Celda))

4G

datos_4g_ACP<-subset(datos_4g,select = -c(Fecha))
datos_4g_ACP<-datos_4g_ACP %>% 
  group_by(Id.Celda) %>% 
  select(Id.Celda,Accesibilidad.exitosa,Cantidad.de.usuarios,Uso.de.recursos.DL,Uso.de.recursos.UL,Paquetes.perdidos,Accesos.de.0m.a.624m,
         Accesos.de.702m.a.1.1Km,Accesos.de.1.1Km.a.2.1Km,Accesos.2.1Km.a.3.5Km,Accesos.a.mas.de.3.5Km,Trafico2.Descarga,Trafico2.carga) %>% 
  mutate(Accesibilidad.exitosa=mean(Accesibilidad.exitosa)) %>% 
  mutate(Cantidad.de.usuarios=mean(Cantidad.de.usuarios)) %>% 
  mutate(Uso.de.recursos.DL=mean(Uso.de.recursos.DL)) %>% 
  mutate(Uso.de.recursos.UL=mean(Uso.de.recursos.UL)) %>% 
  mutate(Paquetes.perdidos=mean(Paquetes.perdidos)) %>% 
  mutate(Accesos.de.0m.a.624m=mean(Accesos.de.0m.a.624m)) %>% 
  mutate(Accesos.de.702m.a.1.1Km=mean(Accesos.de.702m.a.1.1Km)) %>% 
  mutate(Accesos.de.1.1Km.a.2.1Km=mean(Accesos.de.1.1Km.a.2.1Km)) %>% 
  mutate(Accesos.2.1Km.a.3.5Km=mean(Accesos.2.1Km.a.3.5Km)) %>% 
  mutate(Accesos.a.mas.de.3.5Km=mean(Accesos.a.mas.de.3.5Km)) %>% 
  mutate(Trafico2.Descarga=mean(Trafico2.Descarga)) %>% 
  mutate(Trafico2.carga=mean(Trafico2.carga))
datos_4g_ACP<-unique(as.data.frame(datos_4g_ACP))

datos_4g_ACP<-sqldf("select * from datos_4g_ACP 
                    where `Accesibilidad.exitosa` <>0 
                    and `Accesibilidad.exitosa` < 99.97
                    and `Cantidad.de.usuarios`> 100
                    and `Uso.de.recursos.DL`> 15
                    and `Uso.de.recursos.UL`> 15
                    and `Trafico2.carga`> 3
                    and `Trafico2.Descarga`> 15
                    group by `Id.Celda` order by `Accesibilidad.exitosa` desc limit 5")
rownames(datos_4g_ACP)<-datos_4g_ACP$Id.Celda
datos_4g_ACP<-subset(datos_4g_ACP,select = -c(Id.Celda))

3G

pca.modelo_3g <- PCA(datos_3g_ACP, scale.unit = TRUE, ncp = 5, graph = FALSE)

fviz_eig(pca.modelo_3g, addlabels = TRUE, 
         ylab = 'Porcentaje de Varianzas Explicadas',
         xlab = 'Dimensiones', main = 'Varianza Explicada por cada eje')

corrplot(pca.modelo_3g$var$cor, is.corr=FALSE, mar=c(0,0,1,0), shade.col=NA,
         tl.col='black', addCoef.col='black', method='circle',
         title = 'Correlación de las variables con las componentes principales')

fviz_pca_biplot(pca.modelo_3g,col.var = "#2E9FDF",col.ind = "#696969",ggtheme = mi.tema,axes = c(1,2))

individuos_acp_3g<-fviz_cos2(pca.modelo_3g, choice = 'ind', axes = 1:2, top = 10,xtickslab.rt = 65) +
  labs(y = 'Cos2 - Calidad de la Representación',
       title = 'Cosenos cuadrados de los individuos')

4G

pca.modelo_4g <- PCA(datos_4g_ACP, scale.unit = TRUE, ncp = 5, graph = FALSE)

fviz_eig(pca.modelo_4g, addlabels = TRUE, 
         ylab = 'Porcentaje de Varianzas Explicadas',
         xlab = 'Dimensiones', main = 'Varianza Explicada por cada eje')

corrplot(pca.modelo_4g$var$cor, is.corr=FALSE, mar=c(0,0,1,0), shade.col=NA,
         tl.col='black', addCoef.col='black', method='circle',
         title = 'Correlación de las variables con las componentes principales')

fviz_pca_biplot(pca.modelo_4g,col.var = "#2E9FDF",col.ind = "#696969",ggtheme = mi.tema,axes = c(1,2))

individuos_acp_4g<-fviz_cos2(pca.modelo_4g, choice = 'ind', axes = 1:2, top = 10,xtickslab.rt = 65) +
  labs(y = 'Cos2 - Calidad de la Representación',
       title = 'Cosenos cuadrados de los individuos')

Se eliminan variables

remove(datos_3g_ACP,datos_4g_ACP)

Test de normalidad bajo pruebas Pearson con un 5% de margen de error (significancia), además se verifica por medio de la distribución normal y por último se le aplica el test de por medio de qqnorm

Nota:No se aplican test de Kolmogorov-Smirnov, Cramer-von Mises"

celdas3g_candidatos<-matrix(nrow = 1,ncol = 5)
for (i in 1:5 ) {
  celdas<-row.names(pca.modelo_3g$ind$coord)[i]
  if (!is.na(celdas)){
    datos<-as.matrix(t(datos_3g %>% 
                       filter(Id.Celda==celdas)  %>% 
                       select(Trafico.1)))
  pruebas.pearson<-nortest::pearson.test(datos)
  if (pruebas.pearson$p.value >= 0.05){
    cat("La celda ",celdas," da como resultado en el test de pearson:",pruebas.pearson$p.value,", por lo tanto se puede afirmar que esta sigue la distribución normal, por lo tanto p>=0.05 , por lo tanto P=H0"," \n")
    
    h <- hist(datos, probability = T, main = paste("Análisis gráfico de normalidad:",row.names(pca.modelo_3g$ind$coord)[i],"Variable:",row.names(datos),"Tabla:",deparse(substitute(datos_3g)),sep = " "),xlab = "", ylab = "",col = "red")
    lines(density(datos,na.rm = T), lwd = 2, col = "green")
    mu <- mean(datos, na.rm = T)
    sigma <- sd(datos,na.rm = T)
    x <- seq(min(h$mids,na.rm = T), max(h$mids,na.rm = T), length = length(datos))
    y <- dnorm(x, mu, sigma)
    lines(x,y,lwd =2, col = "blue")
    qqnorm(datos,main = paste("Análisis gráfico de normalidad:",row.names(pca.modelo_3g$ind$coord)[i],"Variable:",row.names(datos),"Tabla:",deparse(substitute(datos_3g)),sep = " "))
    qqline(datos,col = "red")
    celdas3g_candidatos[1,i]<-c(celdas)
  }
  }
}

## La celda  W4102C1  da como resultado en el test de pearson: 0.5871054 , por lo tanto se puede afirmar que esta sigue la distribución normal, por lo tanto p>=0.05 , por lo tanto P=H0

for (i in 1:5 ) {
  celdas<-row.names(pca.modelo_3g$ind$coord)[i]
  if (!is.na(celdas)){
    datos<-as.matrix(t(datos_3g %>% 
                       filter(Id.Celda==celdas)  %>% 
                       select(Trafico.2)))
  pruebas.pearson<-nortest::pearson.test(datos)
  if (pruebas.pearson$p.value >= 0.05){
    cat("La celda ",celdas," da como resultado en el test de pearson:",pruebas.pearson$p.value,", por lo tanto se puede afirmar que esta sigue la distribución normal, por lo tanto p>=0.05 , por lo tanto P=H0"," \n")  
    
    h <- hist(datos, probability = T, main = paste("Análisis gráfico de normalidad:",row.names(pca.modelo_3g$ind$coord)[i],"Variable:",row.names(datos),"Tabla:",deparse(substitute(datos_3g)),sep = " "),xlab = "", ylab = "",col = "red")
    lines(density(datos,na.rm = T), lwd = 2, col = "green")
    mu <- mean(datos, na.rm = T)
    sigma <- sd(datos,na.rm = T)
    x <- seq(min(h$mids,na.rm = T), max(h$mids,na.rm = T), length = length(datos))
    y <- dnorm(x, mu, sigma)
    lines(x,y,lwd =2, col = "blue")
    qqnorm(datos,main = paste("Análisis gráfico de normalidad:",row.names(pca.modelo_3g$ind$coord)[i],"Variable:",row.names(datos),"Tabla:",deparse(substitute(datos_3g)),sep = " "))
    qqline(datos,col = "red")
    if (is.na(celdas3g_candidatos[1,i])){
    celdas3g_candidatos[1,i]<-c(celdas)  
    }else{
      if (i==5){
      celdas3g_candidatos[1,i-1]<-c(celdas)  
      }else{
      celdas3g_candidatos[1,i+1]<-c(celdas)    
      }
    }
    
  }
  }
  
}

## La celda  W3005A1  da como resultado en el test de pearson: 0.05244831 , por lo tanto se puede afirmar que esta sigue la distribución normal, por lo tanto p>=0.05 , por lo tanto P=H0

## La celda  W4102C1  da como resultado en el test de pearson: 0.176469 , por lo tanto se puede afirmar que esta sigue la distribución normal, por lo tanto p>=0.05 , por lo tanto P=H0

## La celda  W4122C3  da como resultado en el test de pearson: 0.5575399 , por lo tanto se puede afirmar que esta sigue la distribución normal, por lo tanto p>=0.05 , por lo tanto P=H0

celdas4g_candidatos<-matrix(nrow = 1,ncol = 5)
for (i in 1:5 ) {
  celdas<-row.names(pca.modelo_4g$ind$coord)[i]
  if (!is.na(celdas)){
   datos<-as.matrix(t(datos_4g %>% 
                       filter(Id.Celda==celdas)  %>% 
                       select(Trafico2.Descarga)))
  pruebas.pearson<-nortest::pearson.test(datos)
  if (pruebas.pearson$p.value >= 0.05){
    cat("La celda ",celdas," da como resultado en el test de pearson:",pruebas.pearson$p.value,", por lo tanto se puede afirmar que esta sigue la distribución normal, por lo tanto p>=0.05 , por lo tanto P=H0"," \n")  
    
    h <- hist(datos, probability = T, main = paste("Análisis gráfico de normalidad:",row.names(pca.modelo_4g$ind$coord)[i],"Variable:",row.names(datos),"Tabla:",deparse(substitute(datos_4g)),sep = " "),xlab = "", ylab = "",col = "red")
    lines(density(datos,na.rm = T), lwd = 2, col = "green")
    mu <- mean(datos, na.rm = T)
    sigma <- sd(datos,na.rm = T)
    x <- seq(min(h$mids,na.rm = T), max(h$mids,na.rm = T), length = length(datos))
    y <- dnorm(x, mu, sigma)
    lines(x,y,lwd =2, col = "blue")
    qqnorm(datos,main = paste("Análisis gráfico de normalidad:",row.names(pca.modelo_4g$ind$coord)[i],"Variable:",row.names(datos),"Tabla:",deparse(substitute(datos_4g)),sep = " "))
    qqline(datos,col = "red")
    celdas4g_candidatos[1,i]<-c(celdas)
  } 
  }
}

## La celda  L07202175A2  da como resultado en el test de pearson: 0.1244225 , por lo tanto se puede afirmar que esta sigue la distribución normal, por lo tanto p>=0.05 , por lo tanto P=H0

## La celda  L03151199A1  da como resultado en el test de pearson: 0.8800701 , por lo tanto se puede afirmar que esta sigue la distribución normal, por lo tanto p>=0.05 , por lo tanto P=H0

for (i in 1:5 ) {
  celdas<-row.names(pca.modelo_4g$ind$coord)[i]
  if (!is.na(celdas)){
   datos<-as.matrix(t(datos_4g %>% 
                       filter(Id.Celda==celdas)  %>% 
                       select(Trafico2.carga)))
  pruebas.pearson<-nortest::pearson.test(datos)
  if (pruebas.pearson$p.value >= 0.05){
    cat("La celda ",celdas," da como resultado en el test de pearson:",pruebas.pearson$p.value,", por lo tanto se puede afirmar que esta sigue la distribución normal, por lo tanto p>=0.05 , por lo tanto P=H0"," \n")  
    
    h <- hist(datos, probability = T, main = paste("Análisis gráfico de normalidad:",row.names(pca.modelo_4g$ind$coord)[i],"Variable:",row.names(datos),"Tabla:",deparse(substitute(datos_4g)),sep = " "),xlab = "", ylab = "",col = "red")
    lines(density(datos,na.rm = T), lwd = 2, col = "green")
    mu <- mean(datos, na.rm = T)
    sigma <- sd(datos,na.rm = T)
    x <- seq(min(h$mids,na.rm = T), max(h$mids,na.rm = T), length = length(datos))
    y <- dnorm(x, mu, sigma)
    lines(x,y,lwd =2, col = "blue")
    qqnorm(datos,main = paste("Análisis gráfico de normalidad:",row.names(pca.modelo_4g$ind$coord)[i],"Variable:",row.names(datos),"Tabla:",deparse(substitute(datos_4g)),sep = " "))
    qqline(datos,col = "red")
    if (is.na(celdas4g_candidatos[1,i])){
    celdas4g_candidatos[1,i]<-c(celdas)  
    }else{
      if (i==5){
      celdas4g_candidatos[1,i-1]<-c(celdas)  
      }else{
      celdas4g_candidatos[1,i+1]<-c(celdas)    
      }
    }
  } 
  }
  
}

## La celda  L07201080A2  da como resultado en el test de pearson: 0.07425654 , por lo tanto se puede afirmar que esta sigue la distribución normal, por lo tanto p>=0.05 , por lo tanto P=H0

as.data.frame(unique(as.list(celdas3g_candidatos)))

as.data.frame(unique(as.list(celdas4g_candidatos)))

3G Tráfico 1

#periodiograma("3G",datos_3g,as.list(celdas3g_candidatos))
#periodiograma("4G",datos_4g,as.list(celdas4g_candidatos))

dato<-sqldf(sprintf("select `Fecha`,`Id.Celda`,avg(`Trafico.1`) as `Trafico.1`,avg(`Trafico.2`) as `Trafico.2` 
                          from datos_3g where `Id.Celda`= '%s' group by `Fecha`", as.character(celdas3g_candidatos[1])))
      datos_periodigrama_3g_trafico_1<-ts(rev(dato$Trafico.1),start = c(lubridate::year(dato$Fecha)[1],yday(dato$Fecha)[1]),frequency = 365)
      res<-spec.pgram(datos_periodigrama_3g_trafico_1)
      order(res$spec,res$freq,decreasing = TRUE)

##  [1]  1 27  2  7 55  4  8 82 28 29 12 14  3  5 19  6 18  9 83 54 26 16 11
## [24] 47 22 24 30 34 84 66 51 40 52 31 65 57 81 88 49 25 74 41 43 21 48 77
## [47] 64 89 95 38 80 53 39 44 13 36 61 42 78 87 23 63 37 85 10 75 60 79 35
## [70] 33 70 59 58 20 91 69 67 62 92 32 50 72 15 94 45 90 93 46 68 56 86 76
## [93] 17 73 71 96

      max1<-res$freq[27]
      max2<-res$freq[7]
      max3<-res$freq[55]
      abline(v=max1, lty="dotted",col="red")
      abline(v=max2, lty="dotted",col="blue")
      abline(v=max3, lty="dotted",col="magenta")

      periodo1 <- 365/max1
      periodo2 <- 365/max2
      periodo3 <- 365/max3

paste(round(periodo1),round(periodo2),round(periodo3),sep = ",")

## [1] "7,27,3"

3G Tráfico 2

      datos_periodigrama_3g_trafico_2<-ts(rev(dato$Trafico.2),start = c(lubridate::year(dato$Fecha)[1],yday(dato$Fecha)[1]),frequency = 365)
      res<-spec.pgram(datos_periodigrama_3g_trafico_2)
      order(res$spec,res$freq,decreasing = TRUE)

##  [1]  2 55  5  6 38  1  7 50 27 57 11 12 37 56 71 28 13 60  9  4 93 40 65
## [24] 41 23 82 10 81 49 54 53 17 29 78 83 77 58 14 59 26 84 24 63 43 34 19
## [47] 33 46 69 39 72 74 35 67 91  3 61 51  8 32 80 70 73 45 21 18 36 30 85
## [70] 66 76 47 52 20 68 42 62 16 94 48 92 15 64 88 75 31 89 95 86 25 87 96
## [93] 90 79 44 22

      max1<-res$freq[55]
      max2<-res$freq[5]
      max3<-res$freq[6]
      abline(v=max1, lty="dotted",col="red")
      abline(v=max2, lty="dotted",col="blue")
      abline(v=max3, lty="dotted",col="magenta")

      periodo1 <- 365/max1
      periodo2 <- 365/max2
      periodo3 <- 365/max3

paste(round(periodo1),round(periodo2),round(periodo3),sep = ",")

## [1] "3,38,32"

4G Tráfico carga

dato<-sqldf(sprintf("select `Fecha`,`Id.Celda`,avg(`Trafico2.carga`) as `Trafico2.carga`,avg(`Trafico2.Descarga`) as `Trafico2.Descarga` 
                          from datos_4g where `Id.Celda`= '%s' group by `Fecha`", as.character(celdas4g_candidatos[5])))
      datos_periodigrama_4g_trafico2_carga<-ts(rev(dato$Trafico2.carga),start = c(lubridate::year(dato$Fecha)[1],yday(dato$Fecha)[1]),frequency = 365)
      res<-spec.pgram(datos_periodigrama_4g_trafico2_carga)
      order(res$spec,res$freq,decreasing = TRUE)

##  [1]  1 28  2 55 27  3 19  6 25  7 39  4 11 18 16 54 85 17 92 96 61  9 50
## [24]  5 63 46 40 30 66 41 23 47 43 37 76 20 32 49 67 56 95 33 94 79 77 93
## [47] 71 12 80 86 13  8 51 64 35 60 65 38 81 62 57 69 90 34 42 68 82 53 26
## [70] 74 24 78 91 84 75 73 48 70 45 14 31 36 87 52 10 15 83 29 89 44 21 22
## [93] 59 58 72 88

      max1<-res$freq[28]
      max2<-res$freq[55]
      max3<-res$freq[27]
      abline(v=max1, lty="dotted",col="red")
      abline(v=max2, lty="dotted",col="blue")
      abline(v=max3, lty="dotted",col="magenta")

      periodo1 <- 365/max1
      periodo2 <- 365/max2
      periodo3 <- 365/max3

paste(round(periodo1),round(periodo2),round(periodo3),sep = ",")

## [1] "7,3,7"

4G Tráfico descarga

      datos_periodigrama_4g_trafico2_descarga<-ts(rev(dato$Trafico2.Descarga),start = c(lubridate::year(dato$Fecha)[1],yday(dato$Fecha)[1]),frequency = 365)
      res<-spec.pgram(datos_periodigrama_4g_trafico2_descarga)
      order(res$spec,res$freq,decreasing = TRUE)

##  [1] 27 28 55 25  6  1 54 30 82 19  3  7 56 50 29 10  2  9 38 37 47 12 11
## [24] 69 13 17 36 43 75 22 77  5 23 32 16 60 95 72 51 18 21 83 39 71 59 85
## [47] 79 58 90 92 41 52 65 48 46  4 66 80 45 68 64 53 86 42 67 44 24 93 33
## [70] 87 40  8 84 88 70 34 57 49 20 76 89 14 73 81 91 61 74 62 26 96 63 94
## [93] 78 35 31 15

      max1<-res$freq[28]
      max2<-res$freq[55]
      max3<-res$freq[25]
      abline(v=max1, lty="dotted",col="red")
      abline(v=max2, lty="dotted",col="blue")
      abline(v=max3, lty="dotted",col="magenta")

      periodo1 <- 365/max1
      periodo2 <- 365/max2
      periodo3 <- 365/max3

paste(round(periodo1),round(periodo2),round(periodo3),sep = ",")

## [1] "7,3,8"

Nota: Debido a que el método de Holtwinters requiere como mínimo 2 periodos adicionales (2 años) , se generan errores por no cumplir este requisito, por lo que no se utilizará este método.

3G Trafico 1 candidato 1

celda<-sqldf(sprintf("select `Fecha`,`Id.Celda`,`Trafico.1`,`Trafico.2` 
                           from datos_3g where `Id.Celda`= '%s' group by `Fecha`", as.character(as.list(celdas3g_candidatos[[1]][1]))))

celda.aprende<-celda[1:round(dim(celda)[1]*0.8),]
celda.test<-celda[as.numeric(round((dim(celda)[1])*0.8)+1):as.numeric(dim(celda)[1]),]
celda.aprende.serie<-ts(celda.aprende$Trafico.1,start = c(lubridate::year(celda.aprende$Fecha)[1],yday(celda.aprende$Fecha)[1]),frequency = 365)
ARIMA_NUMEROS<-paste(auto.arima(celda.aprende.serie))
ARIMA_NUMEROS<-str_extract_all(ARIMA_NUMEROS,"[[:digit:]]")
modelo<-arima(celda.aprende.serie,order = c(as.numeric(ARIMA_NUMEROS[[1]][1]),as.numeric(ARIMA_NUMEROS[[1]][2]),as.numeric(ARIMA_NUMEROS[[1]][3])))
pred.arima<-predict(modelo,n.ahead = dim(celda.test)[1])

er<-ER(pred.arima$pred,celda.test$Trafico.1)
pfa<-PFA(pred.arima$pred,celda.test$Trafico.1)
ptfa<-PTFA(pred.arima$pred,celda.test$Trafico.1)
recm<-RECM(pred.arima$pred,celda.test$Trafico.1)
err<-c(er,pfa,ptfa,recm)


celda.aprende<-celda[1:round(dim(celda)[1]*0.8),]
celda.test<-celda[as.numeric(round((dim(celda)[1])*0.8)+1):as.numeric(dim(celda)[1]),]
res<-spec.pgram(celda$Trafico.1, log = "no",plot = FALSE)
conteo<-0
for (a in 2:length(order(res$spec,res$freq,decreasing = TRUE))) {
  if(order(res$spec,res$freq,decreasing = TRUE)[a]>2 && conteo < 1){
    max<-res$freq[order(res$spec,res$freq,decreasing = TRUE)[a]]
    periodo<-365/max
    conteo=1
    break()
  }
}
ARIMA_NUMEROS<-calibrar.arima(celda.aprende$Trafico.1,celda.test$Trafico.1,periodo)
celda.aprende.serie<-ts(celda.aprende$Trafico.1,start = c(lubridate::year(celda.aprende$Fecha)[1],yday(celda.aprende$Fecha)[1]),frequency = 365)
tryCatch(modelo <- arima(celda.aprende.serie, order = c(ARIMA_NUMEROS$call$order[1],ARIMA_NUMEROS$call$order[2],ARIMA_NUMEROS$call$order[3]),
                         seasonal = list(order = c(ARIMA_NUMEROS$call$seasonal$order[1],ARIMA_NUMEROS$call$seasonal$order[2],ARIMA_NUMEROS$call$seasonal$order[3]),
                                         period = as.double(ARIMA_NUMEROS$call$seasonal$period))),
         finally = modelo <- arima(celda.aprende.serie, order = c(ARIMA_NUMEROS$call$order[1],ARIMA_NUMEROS$call$order[2],ARIMA_NUMEROS$call$order[3])))
pred.arima.calibrado <- predict(modelo, n.ahead = (as.numeric(dim(celda)[1])-as.numeric(round((dim(celda)[1])*0.8)+1))+1)
er2   <- ER(pred.arima.calibrado$pred, celda.test$Trafico.1)
pfa2  <- PFA(pred.arima.calibrado$pred,celda.test$Trafico.1)
ptfa2 <- PTFA(pred.arima.calibrado$pred,celda.test$Trafico.1)
recm2 <- RECM(pred.arima.calibrado$pred,celda.test$Trafico.1)
err2 <- c(er2, pfa2, ptfa2, recm2)



celda<-sqldf(sprintf("select `Fecha`,`Id.Celda`,`Trafico.1`,`Trafico.2` 
                           from datos_3g where `Id.Celda`= '%s' group by `Fecha`", as.character(as.list(celdas3g_candidatos[[1]][1]))))

rownames(celda)<-celda$Fecha
celda<-select(celda,-c(Fecha,Id.Celda))
celda<-suavizar.serie(celda,n=3)
celda.aprende<-celda[1:round(dim(celda)[1]*0.8),]
celda.test<-celda[as.numeric(round((dim(celda)[1])*0.8)+1):as.numeric(dim(celda)[1]),]
celda.aprende.serie<-ts(celda.aprende$Trafico.1,start = c(lubridate::year(rownames(celda.aprende))[1],yday(rownames(celda.aprende))[1]),frequency = 365)
ARIMA_NUMEROS<-paste(auto.arima(celda.aprende.serie))
ARIMA_NUMEROS<-str_extract_all(ARIMA_NUMEROS,"[[:digit:]]")
modelo<-arima(celda.aprende.serie,order = c(as.numeric(ARIMA_NUMEROS[[1]][1]),as.numeric(ARIMA_NUMEROS[[1]][2]),as.numeric(ARIMA_NUMEROS[[1]][3])))
pred.arima<-predict(modelo,n.ahead = dim(celda.test)[1])

er3<-ER(pred.arima$pred,celda.test$Trafico.1)
pfa3<-PFA(pred.arima$pred,celda.test$Trafico.1)
ptfa3<-PTFA(pred.arima$pred,celda.test$Trafico.1)
recm3<-RECM(pred.arima$pred,celda.test$Trafico.1)
err3<-c(er3,pfa3,ptfa3,recm3)


celda.aprende<-celda[1:round(dim(celda)[1]*0.8),]
celda.test<-celda[as.numeric(round((dim(celda)[1])*0.8)+1):as.numeric(dim(celda)[1]),]
res<-spec.pgram(celda$Trafico.1, log = "no",plot = FALSE)
conteo<-0
for (a in 2:length(order(res$spec,res$freq,decreasing = TRUE))) {
  if(order(res$spec,res$freq,decreasing = TRUE)[a]>2 && conteo < 1){
    max<-res$freq[order(res$spec,res$freq,decreasing = TRUE)[a]]
    periodo<-365/max
    conteo=1
    break()
  }
}
ARIMA_NUMEROS<-calibrar.arima(celda.aprende$Trafico.1,celda.test$Trafico.1,periodo)
celda.aprende.serie<-ts(celda.aprende$Trafico.1,start = c(lubridate::year(rownames(celda.aprende))[1],yday(rownames(celda.aprende))[1]),frequency = 365)
modelo <- arima(celda.aprende.serie, order = c(ARIMA_NUMEROS$call$order[1],ARIMA_NUMEROS$call$order[2],ARIMA_NUMEROS$call$order[3]),
                         seasonal = list(order = c(ARIMA_NUMEROS$call$seasonal$order[1],ARIMA_NUMEROS$call$seasonal$order[2],ARIMA_NUMEROS$call$seasonal$order[3]),
                                         period = as.double(ARIMA_NUMEROS$call$seasonal$period)),optim.control = list(maxit = 1000))
pred.arima.calibrado <- predict(modelo, n.ahead = (as.numeric(dim(celda)[1])-as.numeric(round((dim(celda)[1])*0.8)+1))+1)
er4   <- ER(pred.arima.calibrado$pred, celda.test$Trafico.1)
pfa4  <- PFA(pred.arima.calibrado$pred,celda.test$Trafico.1)
ptfa4 <- PTFA(pred.arima.calibrado$pred,celda.test$Trafico.1)
recm4 <- RECM(pred.arima.calibrado$pred,celda.test$Trafico.1)
err4 <- c(er4, pfa4, ptfa4, recm4)

errores <- rbind(err,err2,err3,err4)
rownames(errores) <- c("Errores Box-Jenkings no calibrado","Errores Box-Jenkings calibrado","Errores Box-Jenkings no calibrado.suavizado","Errores Box-Jenkings calibrado.suavizado")
colnames(errores) <- c("ER","PFA","PTFA","RECM")
centros.radar(errores)

3G Trafico 2 candidato 1

celda<-sqldf(sprintf("select `Fecha`,`Id.Celda`,`Trafico.1`,`Trafico.2` 
                           from datos_3g where `Id.Celda`= '%s' group by `Fecha`", as.character(as.list(celdas3g_candidatos[[1]][1]))))

celda.aprende<-celda[1:round(dim(celda)[1]*0.8),]
celda.test<-celda[as.numeric(round((dim(celda)[1])*0.8)+1):as.numeric(dim(celda)[1]),]
celda.aprende.serie<-ts(celda.aprende$Trafico.2,start = c(lubridate::year(celda.aprende$Fecha)[1],yday(celda.aprende$Fecha)[1]),frequency = 365)
ARIMA_NUMEROS<-paste(auto.arima(celda.aprende.serie))
ARIMA_NUMEROS<-str_extract_all(ARIMA_NUMEROS,"[[:digit:]]")
modelo<-arima(celda.aprende.serie,order = c(as.numeric(ARIMA_NUMEROS[[1]][1]),as.numeric(ARIMA_NUMEROS[[1]][2]),as.numeric(ARIMA_NUMEROS[[1]][3])))
pred.arima<-predict(modelo,n.ahead = dim(celda.test)[1])

er<-ER(pred.arima$pred,celda.test$Trafico.2)
pfa<-PFA(pred.arima$pred,celda.test$Trafico.2)
ptfa<-PTFA(pred.arima$pred,celda.test$Trafico.2)
recm<-RECM(pred.arima$pred,celda.test$Trafico.2)
err<-c(er,pfa,ptfa,recm)


celda.aprende<-celda[1:round(dim(celda)[1]*0.8),]
celda.test<-celda[as.numeric(round((dim(celda)[1])*0.8)+1):as.numeric(dim(celda)[1]),]
res<-spec.pgram(celda$Trafico.2, log = "no",plot = FALSE)
conteo<-0
for (a in 2:length(order(res$spec,res$freq,decreasing = TRUE))) {
  if(order(res$spec,res$freq,decreasing = TRUE)[a]>2 && conteo < 1){
    max<-res$freq[order(res$spec,res$freq,decreasing = TRUE)[a]]
    periodo<-365/max
    conteo=1
    break()
  }
}
ARIMA_NUMEROS<-calibrar.arima(celda.aprende$Trafico.2,celda.test$Trafico.2,periodo)
celda.aprende.serie<-ts(celda.aprende$Trafico.2,start = c(lubridate::year(celda.aprende$Fecha)[1],yday(celda.aprende$Fecha)[1]),frequency = 365)
tryCatch(modelo <- arima(celda.aprende.serie, order = c(ARIMA_NUMEROS$call$order[1],ARIMA_NUMEROS$call$order[2],ARIMA_NUMEROS$call$order[3]),
                         seasonal = list(order = c(ARIMA_NUMEROS$call$seasonal$order[1],ARIMA_NUMEROS$call$seasonal$order[2],ARIMA_NUMEROS$call$seasonal$order[3]),
                                         period = as.double(ARIMA_NUMEROS$call$seasonal$period))),
         finally = modelo <- arima(celda.aprende.serie, order = c(ARIMA_NUMEROS$call$order[1],ARIMA_NUMEROS$call$order[2],ARIMA_NUMEROS$call$order[3])))
pred.arima.calibrado <- predict(modelo, n.ahead = (as.numeric(dim(celda)[1])-as.numeric(round((dim(celda)[1])*0.8)+1))+1)
er2   <- ER(pred.arima.calibrado$pred, celda.test$Trafico.2)
pfa2  <- PFA(pred.arima.calibrado$pred,celda.test$Trafico.2)
ptfa2 <- PTFA(pred.arima.calibrado$pred,celda.test$Trafico.2)
recm2 <- RECM(pred.arima.calibrado$pred,celda.test$Trafico.2)
err2 <- c(er2, pfa2, ptfa2, recm2)

celda<-sqldf(sprintf("select `Fecha`,`Id.Celda`,`Trafico.1`,`Trafico.2` 
                           from datos_3g where `Id.Celda`= '%s' group by `Fecha`", as.character(as.list(celdas3g_candidatos[[1]][1]))))

rownames(celda)<-celda$Fecha
celda<-select(celda,-c(Fecha,Id.Celda))
celda<-suavizar.serie(celda,n=3)
celda.aprende<-celda[1:round(dim(celda)[1]*0.8),]
celda.test<-celda[as.numeric(round((dim(celda)[1])*0.8)+1):as.numeric(dim(celda)[1]),]
celda.aprende.serie<-ts(celda.aprende$Trafico.2,start = c(lubridate::year(rownames(celda.aprende))[1],yday(rownames(celda.aprende))[1]),frequency = 365)
ARIMA_NUMEROS<-paste(auto.arima(celda.aprende.serie))
ARIMA_NUMEROS<-str_extract_all(ARIMA_NUMEROS,"[[:digit:]]")
modelo<-arima(celda.aprende.serie,order = c(as.numeric(ARIMA_NUMEROS[[1]][1]),as.numeric(ARIMA_NUMEROS[[1]][2]),as.numeric(ARIMA_NUMEROS[[1]][3])))
pred.arima<-predict(modelo,n.ahead = dim(celda.test)[1])

er3<-ER(pred.arima$pred,celda.test$Trafico.2)
pfa3<-PFA(pred.arima$pred,celda.test$Trafico.2)
ptfa3<-PTFA(pred.arima$pred,celda.test$Trafico.2)
recm3<-RECM(pred.arima$pred,celda.test$Trafico.2)
err3<-c(er3,pfa3,ptfa3,recm3)


celda.aprende<-celda[1:round(dim(celda)[1]*0.8),]
celda.test<-celda[as.numeric(round((dim(celda)[1])*0.8)+1):as.numeric(dim(celda)[1]),]
res<-spec.pgram(celda$Trafico.2, log = "no",plot = FALSE)
conteo<-0
for (a in 2:length(order(res$spec,res$freq,decreasing = TRUE))) {
  if(order(res$spec,res$freq,decreasing = TRUE)[a]>2 && conteo < 1){
    max<-res$freq[order(res$spec,res$freq,decreasing = TRUE)[a]]
    periodo<-365/max
    conteo=1
    break()
  }
}
ARIMA_NUMEROS<-calibrar.arima(celda.aprende$Trafico.2,celda.test$Trafico.2,periodo)
celda.aprende.serie<-ts(celda.aprende$Trafico.2,start = c(lubridate::year(rownames(celda.aprende))[1],yday(rownames(celda.aprende))[1]),frequency = 365)
tryCatch(modelo <- arima(celda.aprende.serie, order = c(ARIMA_NUMEROS$call$order[1],ARIMA_NUMEROS$call$order[2],ARIMA_NUMEROS$call$order[3]),
                         seasonal = list(order = c(ARIMA_NUMEROS$call$seasonal$order[1],ARIMA_NUMEROS$call$seasonal$order[2],ARIMA_NUMEROS$call$seasonal$order[3]),
                                         period = as.double(ARIMA_NUMEROS$call$seasonal$period))),
         finally = modelo <- arima(celda.aprende.serie, order = c(ARIMA_NUMEROS$call$order[1],ARIMA_NUMEROS$call$order[2],ARIMA_NUMEROS$call$order[3])))
pred.arima.calibrado <- predict(modelo, n.ahead = (as.numeric(dim(celda)[1])-as.numeric(round((dim(celda)[1])*0.8)+1))+1)
er4   <- ER(pred.arima.calibrado$pred, celda.test$Trafico.2)
pfa4  <- PFA(pred.arima.calibrado$pred,celda.test$Trafico.2)
ptfa4 <- PTFA(pred.arima.calibrado$pred,celda.test$Trafico.2)
recm4 <- RECM(pred.arima.calibrado$pred,celda.test$Trafico.2)
err4 <- c(er4, pfa4, ptfa4, recm4)

errores <- rbind(err,err2,err3,err4)
rownames(errores) <- c("Errores Box-Jenkings no calibrado","Errores Box-Jenkings calibrado","Errores Box-Jenkings no calibrado.suavizado","Errores Box-Jenkings calibrado.suavizado")
colnames(errores) <- c("ER","PFA","PTFA","RECM")
centros.radar(errores)

4G Trafico 2.carga candidato 1

celda<-sqldf(sprintf("select `Fecha`,`Id.Celda`,`Trafico2.carga`,`Trafico2.Descarga` 
                           from datos_4g where `Id.Celda`= '%s' group by `Fecha`", as.character(as.list(celdas4g_candidatos[[5]][1]))))
celda.aprende<-celda[1:round(dim(celda)[1]*0.8),]
celda.test<-celda[as.numeric(round((dim(celda)[1])*0.8)+1):as.numeric(dim(celda)[1]),]
celda.aprende.serie<-ts(celda.aprende$Trafico2.carga,start = c(lubridate::year(celda.aprende$Fecha)[1],yday(celda.aprende$Fecha)[1]),frequency = 365)
ARIMA_NUMEROS<-paste(auto.arima(celda.aprende.serie))
ARIMA_NUMEROS<-str_extract_all(ARIMA_NUMEROS,"[[:digit:]]")
modelo<-arima(celda.aprende.serie,order = c(as.numeric(ARIMA_NUMEROS[[1]][1]),as.numeric(ARIMA_NUMEROS[[1]][2]),as.numeric(ARIMA_NUMEROS[[1]][3])))
pred.arima<-predict(modelo,n.ahead = dim(celda.test)[1])

er<-ER(pred.arima$pred,celda.test$Trafico2.carga)
pfa<-PFA(pred.arima$pred,celda.test$Trafico2.carga)
ptfa<-PTFA(pred.arima$pred,celda.test$Trafico2.carga)
recm<-RECM(pred.arima$pred,celda.test$Trafico2.carga)
err<-c(er,pfa,ptfa,recm)


celda.aprende<-celda[1:round(dim(celda)[1]*0.8),]
celda.test<-celda[as.numeric(round((dim(celda)[1])*0.8)+1):as.numeric(dim(celda)[1]),]
res<-spec.pgram(celda$Trafico2.carga, log = "no",plot = FALSE)
conteo<-0
for (a in 2:length(order(res$spec,res$freq,decreasing = TRUE))) {
  if(order(res$spec,res$freq,decreasing = TRUE)[a]>2 && conteo < 1){
    max<-res$freq[order(res$spec,res$freq,decreasing = TRUE)[a]]
    periodo<-365/max
    conteo=1
    break()
  }
}
ARIMA_NUMEROS<-calibrar.arima(celda.aprende$Trafico2.carga,celda.test$Trafico2.carga,periodo)
celda.aprende.serie<-ts(celda.aprende$Trafico2.carga,start = c(lubridate::year(celda.aprende$Fecha)[1],yday(celda.aprende$Fecha)[1]),frequency = 365)
tryCatch(modelo <- arima(celda.aprende.serie, order = c(ARIMA_NUMEROS$call$order[1],ARIMA_NUMEROS$call$order[2],ARIMA_NUMEROS$call$order[3]),
                         seasonal = list(order = c(ARIMA_NUMEROS$call$seasonal$order[1],ARIMA_NUMEROS$call$seasonal$order[2],ARIMA_NUMEROS$call$seasonal$order[3]),
                                         period = as.double(ARIMA_NUMEROS$call$seasonal$period))),
         finally = modelo <- arima(celda.aprende.serie, order = c(ARIMA_NUMEROS$call$order[1],ARIMA_NUMEROS$call$order[2],ARIMA_NUMEROS$call$order[3])))
pred.arima.calibrado <- predict(modelo, n.ahead = (as.numeric(dim(celda)[1])-as.numeric(round((dim(celda)[1])*0.8)+1))+1)
er2   <- ER(pred.arima.calibrado$pred, celda.test$Trafico2.carga)
pfa2  <- PFA(pred.arima.calibrado$pred,celda.test$Trafico2.carga)
ptfa2 <- PTFA(pred.arima.calibrado$pred,celda.test$Trafico2.carga)
recm2 <- RECM(pred.arima.calibrado$pred,celda.test$Trafico2.carga)
err2 <- c(er2, pfa2, ptfa2, recm2)

celda<-sqldf(sprintf("select `Fecha`,`Id.Celda`,`Trafico2.carga`,`Trafico2.Descarga` 
                           from datos_4g where `Id.Celda`= '%s' group by `Fecha`", as.character(as.list(celdas4g_candidatos[[5]][1]))))

rownames(celda)<-celda$Fecha
celda<-select(celda,-c(Fecha,Id.Celda))
celda<-suavizar.serie(celda,n=5)
celda.aprende<-celda[1:round(dim(celda)[1]*0.8),]
celda.test<-celda[as.numeric(round((dim(celda)[1])*0.8)+1):as.numeric(dim(celda)[1]),]
celda.aprende.serie<-ts(celda.aprende$Trafico2.carga,start = c(lubridate::year(rownames(celda.aprende))[1],yday(rownames(celda.aprende))[1]),frequency = 365)
ARIMA_NUMEROS<-paste(auto.arima(celda.aprende.serie))
ARIMA_NUMEROS<-str_extract_all(ARIMA_NUMEROS,"[[:digit:]]")
modelo<-arima(celda.aprende.serie,order = c(as.numeric(ARIMA_NUMEROS[[1]][1]),as.numeric(ARIMA_NUMEROS[[1]][2]),as.numeric(ARIMA_NUMEROS[[1]][3])))
pred.arima<-predict(modelo,n.ahead = dim(celda.test)[1])

er3<-ER(pred.arima$pred,celda.test$Trafico2.carga)
pfa3<-PFA(pred.arima$pred,celda.test$Trafico2.carga)
ptfa3<-PTFA(pred.arima$pred,celda.test$Trafico2.carga)
recm3<-RECM(pred.arima$pred,celda.test$Trafico2.carga)
err3<-c(er3,pfa3,ptfa3,recm3)


celda.aprende<-celda[1:round(dim(celda)[1]*0.8),]
celda.test<-celda[as.numeric(round((dim(celda)[1])*0.8)+1):as.numeric(dim(celda)[1]),]
res<-spec.pgram(celda$Trafico2.carga, log = "no",plot = FALSE)
conteo<-0
for (a in 2:length(order(res$spec,res$freq,decreasing = TRUE))) {
  if(order(res$spec,res$freq,decreasing = TRUE)[a]>2 && conteo < 1){
    max<-res$freq[order(res$spec,res$freq,decreasing = TRUE)[a]]
    periodo<-365/max
    conteo=1
    break()
  }
}
ARIMA_NUMEROS<-calibrar.arima(celda.aprende$Trafico2.carga,celda.test$Trafico2.carga,periodo)
celda.aprende.serie<-ts(celda.aprende$Trafico2.carga,start = c(lubridate::year(rownames(celda.aprende))[1],yday(rownames(celda.aprende))[1]),frequency = 365)
tryCatch(modelo <- arima(celda.aprende.serie, order = c(ARIMA_NUMEROS$call$order[1],ARIMA_NUMEROS$call$order[2],ARIMA_NUMEROS$call$order[3]),
                         seasonal = list(order = c(ARIMA_NUMEROS$call$seasonal$order[1],ARIMA_NUMEROS$call$seasonal$order[2],ARIMA_NUMEROS$call$seasonal$order[3]),
                                         period = as.double(ARIMA_NUMEROS$call$seasonal$period))),
         finally = modelo <- arima(celda.aprende.serie, order = c(ARIMA_NUMEROS$call$order[1],ARIMA_NUMEROS$call$order[2],ARIMA_NUMEROS$call$order[3])))
pred.arima.calibrado <- predict(modelo, n.ahead = (as.numeric(dim(celda)[1])-as.numeric(round((dim(celda)[1])*0.8)+1))+1)
er4   <- ER(pred.arima.calibrado$pred, celda.test$Trafico2.carga)
pfa4  <- PFA(pred.arima.calibrado$pred,celda.test$Trafico2.carga)
ptfa4 <- PTFA(pred.arima.calibrado$pred,celda.test$Trafico2.carga)
recm4 <- RECM(pred.arima.calibrado$pred,celda.test$Trafico2.carga)
err4 <- c(er4, pfa4, ptfa4, recm4)

errores <- rbind(err,err2,err3,err4)
rownames(errores) <- c("Errores Box-Jenkings no calibrado","Errores Box-Jenkings calibrado","Errores Box-Jenkings no calibrado.suavizado","Errores Box-Jenkings calibrado.suavizado")
colnames(errores) <- c("ER","PFA","PTFA","RECM")
centros.radar(errores)

4G Trafico 2.descarga candidato 1

celda<-sqldf(sprintf("select `Fecha`,`Id.Celda`,`Trafico2.carga`,`Trafico2.Descarga` 
                           from datos_4g where `Id.Celda`= '%s' group by `Fecha`", as.character(as.list(celdas4g_candidatos[[5]][1]))))

celda.aprende<-celda[1:round(dim(celda)[1]*0.8),]
celda.test<-celda[as.numeric(round((dim(celda)[1])*0.8)+1):as.numeric(dim(celda)[1]),]
celda.aprende.serie<-ts(celda.aprende$Trafico2.Descarga,start = c(lubridate::year(celda.aprende$Fecha)[1],yday(celda.aprende$Fecha)[1]),frequency = 365)
ARIMA_NUMEROS<-paste(auto.arima(celda.aprende.serie))
ARIMA_NUMEROS<-str_extract_all(ARIMA_NUMEROS,"[[:digit:]]")
modelo<-arima(celda.aprende.serie,order = c(as.numeric(ARIMA_NUMEROS[[1]][1]),as.numeric(ARIMA_NUMEROS[[1]][2]),as.numeric(ARIMA_NUMEROS[[1]][3])))
pred.arima<-predict(modelo,n.ahead = dim(celda.test)[1])

er<-ER(pred.arima$pred,celda.test$Trafico2.Descarga)
pfa<-PFA(pred.arima$pred,celda.test$Trafico2.Descarga)
ptfa<-PTFA(pred.arima$pred,celda.test$Trafico2.Descarga)
recm<-RECM(pred.arima$pred,celda.test$Trafico2.Descarga)
err<-c(er,pfa,ptfa,recm)


celda.aprende<-celda[1:round(dim(celda)[1]*0.8),]
celda.test<-celda[as.numeric(round((dim(celda)[1])*0.8)+1):as.numeric(dim(celda)[1]),]
res<-spec.pgram(celda$Trafico2.Descarga, log = "no",plot = FALSE)
conteo<-0
for (a in 2:length(order(res$spec,res$freq,decreasing = TRUE))) {
  if(order(res$spec,res$freq,decreasing = TRUE)[a]>2 && conteo < 1){
    max<-res$freq[order(res$spec,res$freq,decreasing = TRUE)[a]]
    periodo<-365/max
    conteo=1
    break()
  }
}
ARIMA_NUMEROS<-calibrar.arima(celda.aprende$Trafico2.Descarga,celda.test$Trafico2.Descarga,periodo)
celda.aprende.serie<-ts(celda.aprende$Trafico2.Descarga,start = c(lubridate::year(celda.aprende$Fecha)[1],yday(celda.aprende$Fecha)[1]),frequency = 365)
tryCatch(modelo <- arima(celda.aprende.serie, order = c(ARIMA_NUMEROS$call$order[1],ARIMA_NUMEROS$call$order[2],ARIMA_NUMEROS$call$order[3]),
                         seasonal = list(order = c(ARIMA_NUMEROS$call$seasonal$order[1],ARIMA_NUMEROS$call$seasonal$order[2],ARIMA_NUMEROS$call$seasonal$order[3]),
                                         period = as.double(ARIMA_NUMEROS$call$seasonal$period))),
         finally = modelo <- arima(celda.aprende.serie, order = c(ARIMA_NUMEROS$call$order[1],ARIMA_NUMEROS$call$order[2],ARIMA_NUMEROS$call$order[3])))
pred.arima.calibrado <- predict(modelo, n.ahead = (as.numeric(dim(celda)[1])-as.numeric(round((dim(celda)[1])*0.8)+1))+1)
er2   <- ER(pred.arima.calibrado$pred, celda.test$Trafico2.Descarga)
pfa2  <- PFA(pred.arima.calibrado$pred,celda.test$Trafico2.Descarga)
ptfa2 <- PTFA(pred.arima.calibrado$pred,celda.test$Trafico2.Descarga)
recm2 <- RECM(pred.arima.calibrado$pred,celda.test$Trafico2.Descarga)
err2 <- c(er2, pfa2, ptfa2, recm2)



celda<-sqldf(sprintf("select `Fecha`,`Id.Celda`,`Trafico2.carga`,`Trafico2.Descarga` 
                           from datos_4g where `Id.Celda`= '%s' group by `Fecha`", as.character(as.list(celdas4g_candidatos[[5]][1]))))

rownames(celda)<-celda$Fecha
celda<-select(celda,-c(Fecha,Id.Celda))
celda<-suavizar.serie(celda,n=5)
celda.aprende<-celda[1:round(dim(celda)[1]*0.8),]
celda.test<-celda[as.numeric(round((dim(celda)[1])*0.8)+1):as.numeric(dim(celda)[1]),]
celda.aprende.serie<-ts(celda.aprende$Trafico2.Descarga,start = c(lubridate::year(rownames(celda.aprende))[1],yday(rownames(celda.aprende))[1]),frequency = 365)
ARIMA_NUMEROS<-paste(auto.arima(celda.aprende.serie))
ARIMA_NUMEROS<-str_extract_all(ARIMA_NUMEROS,"[[:digit:]]")
modelo<-arima(celda.aprende.serie,order = c(as.numeric(ARIMA_NUMEROS[[1]][1]),as.numeric(ARIMA_NUMEROS[[1]][2]),as.numeric(ARIMA_NUMEROS[[1]][3])))
pred.arima<-predict(modelo,n.ahead = dim(celda.test)[1])

er3<-ER(pred.arima$pred,celda.test$Trafico2.Descarga)
pfa3<-PFA(pred.arima$pred,celda.test$Trafico2.Descarga)
ptfa3<-PTFA(pred.arima$pred,celda.test$Trafico2.Descarga)
recm3<-RECM(pred.arima$pred,celda.test$Trafico2.Descarga)
err3<-c(er3,pfa3,ptfa3,recm3)


celda.aprende<-celda[1:round(dim(celda)[1]*0.8),]
celda.test<-celda[as.numeric(round((dim(celda)[1])*0.8)+1):as.numeric(dim(celda)[1]),]
res<-spec.pgram(celda$Trafico2.Descarga, log = "no",plot = FALSE)
conteo<-0
for (a in 2:length(order(res$spec,res$freq,decreasing = TRUE))) {
  if(order(res$spec,res$freq,decreasing = TRUE)[a]>2 && conteo < 1){
    max<-res$freq[order(res$spec,res$freq,decreasing = TRUE)[a]]
    periodo<-365/max
    conteo=1
    break()
  }
}
ARIMA_NUMEROS<-calibrar.arima(celda.aprende$Trafico2.Descarga,celda.test$Trafico2.Descarga,periodo)
celda.aprende.serie<-ts(celda.aprende$Trafico2.Descarga,start = c(lubridate::year(rownames(celda.aprende))[1],yday(rownames(celda.aprende))[1]),frequency = 365)
tryCatch(modelo <- arima(celda.aprende.serie, order = c(ARIMA_NUMEROS$call$order[1],ARIMA_NUMEROS$call$order[2],ARIMA_NUMEROS$call$order[3]),
                         seasonal = list(order = c(ARIMA_NUMEROS$call$seasonal$order[1],ARIMA_NUMEROS$call$seasonal$order[2],ARIMA_NUMEROS$call$seasonal$order[3]),
                                         period = as.double(ARIMA_NUMEROS$call$seasonal$period))),
         finally = modelo <- arima(celda.aprende.serie, order = c(ARIMA_NUMEROS$call$order[1],ARIMA_NUMEROS$call$order[2],ARIMA_NUMEROS$call$order[3])))
pred.arima.calibrado <- predict(modelo, n.ahead = (as.numeric(dim(celda)[1])-as.numeric(round((dim(celda)[1])*0.8)+1))+1)
er4   <- ER(pred.arima.calibrado$pred, celda.test$Trafico2.Descarga)
pfa4  <- PFA(pred.arima.calibrado$pred,celda.test$Trafico2.Descarga)
ptfa4 <- PTFA(pred.arima.calibrado$pred,celda.test$Trafico2.Descarga)
recm4 <- RECM(pred.arima.calibrado$pred,celda.test$Trafico2.Descarga)
err4 <- c(er4, pfa4, ptfa4, recm4)

errores <- rbind(err,err2,err3,err4)
rownames(errores) <- c("Errores Box-Jenkings no calibrado","Errores Box-Jenkings calibrado","Errores Box-Jenkings no calibrado.suavizado","Errores Box-Jenkings calibrado.suavizado")
colnames(errores) <- c("ER","PFA","PTFA","RECM")
centros.radar(errores)

Fase 5